視覚SLAMや3次元再構成、産業検査において、線分検出は重要な基盤技術となっています。近年のディープラーニング手法は検出精度を大幅に向上させてきましたが、最小のモデルであっても数メガバイトのメモリを必要とするため、低コストのマイクロコントローラユニット（MCU）の容量を超えてしまうという課題がありました。 本研究は、1メガバイト以下のメモリ予算の下で達成可能な最大精度を探究しています。研究チームが提案したMiLSDは、MCUレベルの制約に特化した検出器で、コンパクトな完全畳み込みニューラルネットワークバックボーン内で3つの出力表現方式を体系的に比較しました。その結果、提案されたF-Clip中心座標・長さ・角度の定式化が、小規模モデルサイズにおいて最も効果的に学習することが判明しました。 量子化の観点からは、8ビット量子化が完全精度の性能を保持する一方で、4ビット量子化は特に角度回帰において著しい性能低下を引き起こすことが分かりました。量子化認識トレーニングを施しても、失われた性能の一部しか回復できません。1メガバイトのアクティベーション予算と、サブピクセルデコーディング、テスト時拡張、軽量検証器を含む推論最適化を組み合わせることで、MiLSDはShanghaiTech Wireframeデータセットにおいて、25kパラメータ0.25MBの条件下での10.6から、1MB以内で24.1へとsAP10スコアを改善しました。このアプローチは、GPU規模のパーサーとの直接競争ではなく、埋め込みビジョンシステムに向けた表現形式、ビット幅、モデル容量、後処理戦略における精度とメモリのトレードオフをマッピングするものとなっています。